Jorge Torres, Mitgründer und CEO von MindsDB – Interviewreihe

Jorge Torres ist der Mitgründer und CEO von MindsDB, einer Plattform, die es jedem ermöglicht, die Macht des maschinellen Lernens zu nutzen, um vorhersagbare Fragen an seine Daten zu stellen und genaue Antworten von ihnen zu erhalten. MindsDB ist auch ein Absolvent des jüngsten Winterbatches 2020 von YCombinator und wurde kürzlich von Forbes als eines der vielversprechendsten AI-Unternehmen Amerikas anerkannt.

Was hat Sie ursprünglich zum maschinellen Lernen hingezogen?

Das ist eine interessante Geschichte. Im Jahr 2008 lebte und arbeitete ich in Berkeley für ein Startup namens Couchsurfing und sah diesen Kurs, (cs188 – Einführung in künstliche Intelligenz). Obwohl ich zu diesem Zeitpunkt nicht mit der Universität verbunden war, fragte ich den Professor John DeNero, ob ich an einem Kurs teilnehmen dürfe, und er erlaubte es mir. Dieser Professor war brillant und brachte wirklich jeden dazu, sich in das Thema zu verlieben. Es war das Beste, was mir passieren konnte. Ich war erstaunt, dass Computer lernen konnten, ein Problem zu lösen, und ich erkannte, dass dies sich schnell entwickelte und entschied, es zu meinem Beruf zu machen.

Es gibt einige generationenbestimmende Ereignisse in der Technologie, die nur ein paar Mal im Leben vorkommen. Ich hatte das Glück, bei der Geburt des Internets dabei zu sein, war aber zu jung, um mehr als nur ein passiver Beobachter zu sein. Ich glaube, dass maschinelles Lernen das nächste generationenbestimmende Ereignis ist, und ich wollte auf eine bedeutungsvolle Weise daran teilhaben, um die Technologie und die Art und Weise, wie wir sie nutzen, voranzutreiben.

MindsDB begann 2018 an der UC Berkeley, können Sie uns einige Einblicke aus diesen frühen Tagen geben?

Die UC Berkeley ist eine der weltweit führenden Forschungseinrichtungen und hat eine Geschichte der Schaffung und Unterstützung von Open-Source-Software, und wir dachten, dass es keinen besseren Ort gäbe, um MindsDB zu starten. Unsere Werte waren übereinstimmend, sie boten uns unseren ersten Scheck durch den UC Berkeley Skydeck Accelerator an, und der Rest ist, wie man sagt, Geschichte.

Die frühen Tage waren nicht unähnlich denen vieler Startups in der Bay-Region – drei Personen, die lange Stunden an etwas arbeiteten, an das sie alle glaubten, aber nur eine kleine Chance auf Erfolg hatten. Der einzige Unterschied besteht darin, dass wir anstelle eines staubigen Garagens in Palo Alto in dem relativ komfortablen Skydeck-Penthouse-Coworking-Space (kostenlos) arbeiteten.

Ich glaube, dass es enorme Macht in Daten gibt. Je mehr ein Unternehmen hat, desto besser kann es sein Geschäft vorantreiben. Aber nur, wenn es in der Lage ist, sinnvolle Erkenntnisse daraus zu gewinnen.

Im Herbst 2017 kamen mein bester Freund Adam Carrigan (COO) und ich zu dem Schluss, dass viele Unternehmen bei der Extraktion sinnvoller Informationen aus ihren Daten Grenzen aufwiesen. Sie erkannten, dass eine der größten Grenzen darin bestand, dass viele dieser Unternehmen die Macht der künstlichen Intelligenz stark unterutilisierten. Wir glaubten, dass maschinelles Lernen Daten und die Intelligenz, die es liefern kann, für jeden zugänglich machen kann. Deshalb entwarfen wir eine Plattform, die es jedem ermöglicht, die Macht des maschinellen Lernens zu nutzen, um vorhersagbare Fragen an seine Daten zu stellen und genaue Antworten von ihnen zu erhalten.

Wir nennen diese Plattform MindsDB und konzentrieren uns darauf, sie weiterhin unglaublich einfach für Entwickler zu machen, um die nächste Welle von AI-zentrierten Anwendungen zu erstellen, die die Art und Weise, wie wir leben und arbeiten, verändern werden, und für Unternehmen, um Informationen aus ihren Daten zu extrahieren.

Warum hat sich MindsDB darauf konzentriert, das Problem der Datenzentrierung zu lösen, anstatt sich auf maschinelles Lernen zu konzentrieren?

Wenn man sich die überwiegende Mehrheit der Forschung im Bereich künstliche Intelligenz ansieht, stammt ein großer Teil davon aus akademischen Institutionen. Maschinelles Lernen war historisch gesehen modellzentriert, da dies der Bereich ist, in dem Forschungseinrichtungen einen Mehrwert schaffen können; mehr Forschung verbessert Modelle oder schafft neue, was zu besseren Ergebnissen führt. Datenzentrierung hingegen, die Hinzufügung besserer Qualität/mehr relevanter Daten zu einem bestehenden Ansatz, ist nicht leicht veröffentlichbar (der Schlüssel-KPI für Forscher).

Die überwiegende Mehrheit der angewandten maschinellen Lernprobleme heute profitiert jedoch viel mehr von verbesserten Daten als von verbesserten Modellen. Dies entspricht auch unserer Mission, maschinelles Lernen zu demokratisieren, die überwiegende Mehrheit der Menschen außerhalb des ML-Bereichs weiß nicht viel über ML, aber sie wissen sicherlich viel über ihre Daten.

Wir sahen, dass es zwei Arten von Unternehmen gab, auf der einen Seite Unternehmen mit Daten in der Datenbank, auf der anderen Seite Unternehmen, die noch nicht herausgefunden hatten, wie man mit Datenbanken umgeht, und wir erkannten, dass, wenn ein Unternehmen in der Gruppe der Datenbanken war, ihre Datenreife sie bereits auf den richtigen Weg gebracht hatte, um maschinelles Lernen wirklich anwenden zu können, während Unternehmen, die noch nicht entdeckt hatten, wie man mit Datenbanken umgeht, noch einen langen Weg vor sich hatten, also konzentrierten wir uns darauf, einen Mehrwert für diejenigen zu bieten, die ihn extrahieren konnten.

Wie geht MindsDB das Modellieren und die Bereitstellung in Plain SQL an?

Wir erstellen Darstellungen von Modellen als Tabellen, die abgefragt werden können, so dass wir effektiv das Konzept der “Bereitstellung” aus dem Bild entfernen. Wenn Sie in einer Datenbank den Befehl CREATE VIEW ausführen, ist diese Ansicht live, sobald der Befehl verarbeitet wurde, genauso wie wenn Sie in MindsDB den Befehl CREATE MODEL ausführen.

Menschen lieben MindsDB wegen der Vereinfachung, die Sie dem ML-Ops-Lebenszyklus gebracht haben, warum ist die Vereinfachung der maschinellen Lernbereitstellung so wichtig?

Menschen lieben es, weil es unnötige ETL-Pipelines abstrahiert, so dass weniger Dinge zu warten sind. Unser Fokus liegt darauf, den Nutzern zu helfen, den Wert des maschinellen Lernens zu extrahieren, ohne an die Wartung der ML-Infrastruktur denken zu müssen, wenn sie bereits die Dateninfrastruktur warten.

Was sind einige der Vorteile und Risiken, ein Open-Source-Startup gegenüber einem traditionellen Startup zu sein?

Ein Open-Source-Projekt kann mit einer Idee beginnen, und Menschen werden Ihnen helfen, es auf dem Weg zu bauen, im Gegensatz zur Closed-Source-Ansatz, bei dem Sie mit den gleichen Annahmen beginnen müssen, aber besser recht haben sollten, da niemand Ihnen helfen wird, Ihr Produkt zu verbessern (zumindest nicht in dem gleichen Umfang wie bei Open Source), denken Sie an Open Source als eine kollaborative Produkt-User-Fit-Ansatz.

MindsDB hat kürzlich 16,5 Millionen Dollar Series-A-Investitionen von Benchmark erhalten, warum ist Benchmark der perfekte Investor und wie entspricht ihre Vision der Ihren?

Benchmark hat einen einwandfreien Ruf in unserer Branche, Chetan hat Unternehmen wie Mongodb, Elastic, Airbyte zu Weltmarktführern in ihren Bereichen gemacht. Wir glauben, dass es keinen besseren Fit für MindsDB als Chetan und Benchmark Capital gibt.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten MindsDB besuchen.